Tradycyjny Rozwój
- Ludzie piszą kod ręcznie.
- Kontrola deterministyczna już istnieje.
- Wydajność pozostaje ograniczona prędkością człowieka.
Napisane przez człowieka, deterministyczne
Wracając do tez strategicznych
Teza strategiczna 01
Model ewolucji rozwoju oprogramowania AI
euphile postrzega rozwój oprogramowania AI jako ewolucję poprzez poziomy kontroli. Ważnym pytaniem jest nie tylko to, ile kodu sztuczna inteligencja może wyprodukować, ale także to, jak deterministyczny, zarządzalny i możliwy do ponownego wykorzystania staje się otaczający system, gdy sztuczna inteligencja przejmuje więcej pracy.
Rozwój oprogramowania AI Ewolucja Modelka
Od tradycyjnego programowania do generowania kodu bliżej maszyny realny postęp nie polega tylko na szybkości. To przesunięcie w stronę większej kontroli, większego determinizmu i silniejszej formalnej dźwigni.
Kodowanie oparte na sztucznej inteligencji
- AI staje się głównym aktorem tworzącym kod.
- Kodowanie Vibe i autonomiczne pętle przyspieszają produkcję.
- W miarę jak systemy stają się coraz bardziej złożone, wzrasta niestabilność.
Szybki, sterowany przez sztuczną inteligencję, bardziej kruchy
AI z mechanizmami kontroli
- Sztuczna inteligencja działa w ramach kontrolowanego przepływu pracy.
- Testy, kompilacje, skany i walidatory ograniczają dane wyjściowe.
- Pętle zwrotne kierują następną korektą.
Sterowanie oparte na sztucznej inteligencji i sprzężeniu zwrotnym
Narzędzia deterministyczne stworzone przez sztuczną inteligencję
- AI buduje generatory i walidatory.
- Narzędzia krosownicze, transformatory i wiązki przewodów stają się aktywami.
- Dźwignia wielokrotnego użytku przewyższa jednorazowy wynik.
Dźwignia narzędziowa zgodnie z projektem
Ontologie korporacyjne, DSL i kompilatory
- Wspólne ontologie modelują domenę.
- DSL, kompilatory, generatory i tworzenie struktur silników polityk.
- Oprogramowanie staje się bardziej formalne i powtarzalne na dużą skalę.
Produkcja formalna, świadoma domeny
Generowanie kodu bliżej maszyny
- Generowanie zbliża się do tego, co maszyny faktycznie wykonują.
- Coraz większe znaczenie zyskują artefakty środowiska wykonawczego i zweryfikowane plany.
- Kod przestaje być głównym artefaktem.
Wymaga innej generacji modeli AI
Tylko prognoza
Panel ten opisuje, co według eufilskich szacunków może się wydarzyć, a nie to, co domyślnie uważa za pożądane, etyczne lub odpowiedzialne.
Co mówi modelka
sztuczna inteligencja SDLC zmienia się wraz ze zmianą zarówno aktora tworzącego kod, jak i powierzchni sterującej.
Na początku ludzie piszą oprogramowanie bezpośrednio. Na wyższych poziomach organizacje wykorzystują sztuczną inteligencję do tworzenia systemów deterministycznych, walidatorów i formalnych interfejsów domenowych. Pomiędzy tymi punktami kluczową zmienną jest poziom niezawodnej kontroli nad produkcją oprogramowania.
Kontrola jest zmienną
Każdy poziom zmienia osobę tworzącą kod, ale ważniejszym pytaniem jest to, co ogranicza, weryfikuje i reguluje tę produkcję.
Drugi pilot nie jest na poziomie 1
Autouzupełnianie i sugestie wbudowane pozostają lokalnymi akceleratorami, podczas gdy programista pozostaje za kierownicą. Przydatny, ale jeszcze nie oparty na sztucznej inteligencji.
Dzięki poręczom sztuczna inteligencja działa
Testy, lintery, kontrole kompilacji, skany bezpieczeństwa, walidatory i zestawy regresji tworzą deterministyczną pętlę sprzężenia zwrotnego niezbędną do bezpiecznej korekty.
Formalizacja tworzy trwałą dźwignię
Wspólne ontologie, DSL, kompilatory, generatory i silniki polityk przekształcają ukrytą wiedzę dziedzinową w systemy, które skalują się bardziej niezawodnie niż sama nieformalna interpretacja.
Poziomy kontroli
Model opisuje przejście od ręcznej wydajności do deterministycznej produkcji oprogramowania.
Sekwencja ta w mniejszym stopniu skupia się na celebrowaniu autonomii samej w sobie, a bardziej na zrozumieniu, gdzie prędkość staje się krucha, gdzie konieczne stają się poręcze i gdzie formalne systemy zaczynają przewyższać nieformalne przepływy pracy związane z kodowaniem.
Tradycyjne tworzenie oprogramowania
Bezpośrednimi autorami oprogramowania pozostają ludzie. Przepływ pracy jest w dużej mierze deterministyczny, ale przepustowość jest ograniczona wysiłkiem ręcznym.
- Kod napisany przez człowieka jest domyślny.
- Nadal obowiązuje znana pętla projektowania, przeglądania, testowania, kompilowania i wdrażania.
- Kontrola jest duża, ale skalę ograniczają ludzie.
Pomoc w stylu drugiego pilota
Sztuczna inteligencja przyspiesza działania lokalne, takie jak autouzupełnianie, wbudowane sugestie i małe refaktoryzatory, podczas gdy programista pozostaje głównym podmiotem tworzącym kod.
- To przydatne przyspieszenie, a nie nowość SDLC modelu samodzielnie.
- Człowiek nadal kieruje strukturą i decyzjami.
- Produktywność poprawia się lokalnie, ale cykl życia nie zmienia się zasadniczo.
Kodowanie oparte na sztucznej inteligencji
Sztuczna inteligencja staje się głównym podmiotem wytwarzającym kod poprzez kodowanie wibracyjne, autonomiczne pętle, przepływy pracy oparte na planowaniu lub kompleksowe żądania funkcji.
- W przypadku ograniczonych problemów prędkość może być niezwykle duża.
- Duże ilości kodu mogą pojawić się szybko.
- Niezawodność spada wraz ze wzrostem złożoności, sprzężenia i kontekstu operacyjnego.
Rozwój zaaranżowany przez sztuczną inteligencję z deterministycznymi barierami ochronnymi
Sztuczna inteligencja nadal pisze dużą część kodu, ale teraz działa w ramach kontrolowanego przepływu pracy, który sprawdza jego pracę i kieruje następną korektą.
- Testy, lintery, kontrole kompilacji, skany i walidatory ograniczają dane wyjściowe.
- Zautomatyzowane funkcje fitness i zestawy regresji wcześnie wykrywają uszkodzenia.
- Pętla sprzężenia zwrotnego staje się wystarczająco czytelna, aby zapewnić niezawodną iterację.
Narzędzia deterministyczne generowane przez sztuczną inteligencję
Cel przesuwa się z wielokrotnego generowania kodu na generowanie narzędzi, które mogą tworzyć, przekształcać, weryfikować, łatać i testować kod w powtarzalny sposób.
- Generatory, transformatory, walidatory i wiązki przewodów stają się podstawowymi aktywami.
- Sztuczna inteligencja zaczyna tworzyć mechanizmy wielokrotnego użytku, a nie tylko bezpośrednie wyniki.
- Rezultatem jest powtarzalna dźwignia, a nie jednorazowe przyspieszenie.
Ontologia klasy korporacyjnej, DSLi kompilatory wygenerowane za pomocą GenAI
Organizacje formalizują samą domenę i pozwalają GenAI pomóc w projektowaniu i rozwijaniu łańcucha narzędzi wokół tego formalnego modelu.
- Wspólne ontologie definiują domenę biznesową.
- DSL, kompilatory, generatory, walidatory i tworzenie struktur silników polityk.
- Oprogramowanie staje się bardziej formalne, powtarzalne i mniej zależne od kruchej interpretacji.
Generowanie kodu bliżej maszyny
Z czasem AI może generować artefakty bliższe temu, co maszyny faktycznie wykonują, niż dzisiejszym abstrakcjom zorientowanym na człowieka, takim jak pliki, repozytoria i kod źródłowy kształtowany przez frameworki.
- Dominować mogą reprezentacje wykonywalne i zoptymalizowane artefakty środowiska wykonawczego.
- Instrukcje uwzględniające sprzęt i zweryfikowane plany stają się bardziej centralne.
- Kod czytelny dla człowieka staje się interfejsem, niekoniecznie głównym artefaktem.
Implikacja strategiczna
euphile uważa, że ewolucja rozwoju oprogramowania opartego na sztucznej inteligencji w coraz większym stopniu polega na proszeniu sztucznej inteligencji o pomoc w budowaniu deterministycznych systemów zapewniających niezawodne tworzenie oprogramowania. Bezpośrednie generowanie kodu nadal ma znaczenie, ale bardziej trwała korzyść wynika z regulowanych przepływów pracy, narzędzi wielokrotnego użytku i formalnych interfejsów domeny. Ponieważ tworzenie tych deterministycznych narzędzi staje się znacznie łatwiejsze, możliwe staje się budowanie znacznie bardziej złożonych systemów z większą pewnością. To z kolei może ostatecznie pozwolić na skupienie się wokół nowej generacji modeli sztucznej inteligencji, które działają znacznie niżej w stosie, bliżej reprezentacji na poziomie maszyny niż dzisiejszych abstrakcji kodu źródłowego zorientowanych na człowieka.